文章 "神经网络在交易中的应用：时间序列的概率预测（编码器）"

新评论

新文章 神经网络在交易中的应用：时间序列的概率预测（编码器）已发布：

我们诚邀您探索一种将经典方法和现代神经网络相结合的新方法，用于时间序列分析。本文详细解释了 K²VAE 模型的架构和运行原理。

K²VAE 的主要优势不在于生成预测，而在于形成系统未来状态的概率分布。与传统模型局限于单一最可能情景不同，这种方法能产生一系列可能的结果。此外，这一可能结果区间的宽度取决于模型对当前状态的置信程度。这使得该框架在需要考虑风险和不确定性的领域中特别有用 — 例如，在金融预测、物流或技术系统管理中。

为了理解这种灵活性和适应性是如何实现的，让我们来看一下该模型的整体架构。K²VAE 架构大致可分为三个主要组件：Patching、Encoder 和 Decoder，每个组件都各司其职，同时与其他组件保持紧密联系。

  1. Patching 会准备原始数据并将其映射到潜在表示。
  2. Encoder 则负责从观测到的时间序列 X 中提取隐藏状态 Z。与标准 VAE 模型不同，该模型采用复杂的架构，其中包括：
    • KoopmanNet 是 Koopman 算子的可训练类似物，它能将隐藏特征的演变预测为一个线性系统；
    • 注意力模块，用于分析重建值与实际值之间的差异，并帮助识别模型偏离现实的时刻；
    • KalmanNet，它是卡尔曼滤波器的混合神经网络实现，基于注意力控制信号形成不确定性协方差矩阵；
    • VAE 机制根据 KalmanNet 和 KoopmanNet 指定的参数对未来代币进行采样。
  3. Decoder 将隐藏变量转换回观测变量，从而重建时间序列的预测值。在此背景下，为了保持模型的概率性质，Decoder 也被实现为一个可训练的神经网络结构，具有两个输出：均值和方差。这使我们能够完全模拟分布 P(Y|Z )，并考虑预测中的不确定性。

下面展示的是作者对 K²VAE 框架的示意图。


作者：Dmitriy Gizlyk

新评论